中国计算机学会计算机视觉专业组走进高校系列报告会

CCF－CV Series Lectures

国防科学技术大学·长沙（第 7期）

2016年1月10日（星期日）08:30~12:30

国防科学技术大学科技大楼一楼信息系统工程重点实验室报告厅

报告会主题

计算机视觉前沿技术及应用

程序

08:15 签到

08:30 报告会开始 （上午 08:30 ~ 12:30）

特邀讲者：谭铁牛 院士，中国科学院自动化所研究员

演讲题目：信息科技的发展：现状、趋势与热点问题

特邀讲者：陈熙霖博士，中国科学院计算所研究员

演讲题目：何以为名——物体识别的一些进展

特邀讲者：王　亮博士，中国科学院自动化所研究员

演讲题目：深度学习及其视觉应用

特邀讲者：林宙辰博士，北京大学教授

演讲题目：子空间聚类的低秩模型方法

特邀讲者：吴建鑫 博士，南京大学教授

演讲题目：深度学习与全序标记的标记分布学习

执行主席：老松杨博士，国防科技大学教授

郭得科博士，国防科技大学副教授

刘丽博士，国防科技大学讲师, CCF计算机视觉专业组委员

参加人员：视觉领域专业人士、研究生、媒体、其他有兴趣者

着装要求：便装

报名方式：Email：lilyliu_nudt@163.com (请于1月7日前将参会回执回复至该邮箱，邮件主题请注明“CCF－CV国防科学技术大学报告会回执”)

参加方式：免费参加，敬请光临。

参会回执

注：回执仅仅针对外地和外校的人员，本校人员无需提供。

特邀讲者 谭铁牛　

博士、研究员、博导，中国科学院院士、英国皇家工程院外籍院士、发展中国家科学院(TWAS)院士、IEEE Fellow、IAPR Fellow。1984年获西安交通大学学士学位，1986年和1989年分别获英国帝国理工学院硕士与博士学位。1989－1997年在英国雷丁大学计算机科学系工作，1998年回国到中科院自动化所工作，历任该所模式识别国家重点实验室主任、所长助理、所长。现为中科院副院长、中科院自动化所智能感知与计算研究中心主任。主要从事图像处理、计算机视觉和模式识别等领域的研究，已出版编著和专著11部，并在主要的国内外学术期刊和国际学术会议上发表论文450多篇，获准和申请发明专利80多项。曾获得国家技术发明二等奖、国家自然科学二等奖和国家科技进步二等奖各1项。曾担任国际模式识别学会(IAPR)第一副主席、IEEE 生物识别理事会(Biometrics Council)主席，现任中国人工智能学会副理事长。

报告题目：信息科技的发展：现状、趋势与热点问题

特邀讲者 陈熙霖　

博士、中科院计算技术研究所研究员、博导、中国计算机学会会士、IEEE Fellow。国家杰出青年基金获得者。主要研究领域为计算机视觉、模式识别、多媒体技术以及多模式人机接口。先后主持多项自然科学基金重大项目、重点项目、973计划课题等项目的研究。获得国家科技进步二等奖四项。合作出版专著1本，在国内外重要刊物和会议上发表论文200多篇。

报告题目：何以为名——物体识别的一些进展

报告摘要：物体识别是计算机视觉和核心挑战问题之一。识别技术一方面向着更高的精度甚至是超越普通人识别能力的方向发展，但另一方面如何使得机器能够像人一样识别种类繁多的对象，甚至是未曾谋面的对象却是计算机视觉面临的重要挑战。本报告将结合近期的一些工作对物体识别背后的问题进行探讨，介绍我们在这方面的一些进展。

特邀讲者 王亮　

博士，研究员，博导，IEEE高级会员、国际模式识别协会会士（IAPR Fellow），国家杰出青年科学基金获得者，中科院自动化所模式识别国家重点实验室副主任、计算机学会计算机视觉专业组秘书长、图像视频大数据产业技术创新战略联盟秘书长。2004-2010年分别在英国帝国理工学院、澳大利亚莫纳什大学、墨尔本大学及英国巴斯大学工作。主要从事计算机视觉和模式识别等相关领域的研究。现为《IEEE Transactions on InformationForensics and Security》、《IEEE Transactions on Cybernetics》等国际期刊编委。

报告题目：深度学习及其视觉应用

报告摘要：本报告首先介绍图像视频大数据的研究背景和意义，引入大规模视觉计算涉及的主要研究问题和潜在研究方向。然后回顾了深度学习的不同发展阶段，介绍近年来来我们利用深度学习在视觉数据分析和理解方面所做的一些代表性研究工作。最后我们给出视觉大数据分析的一些未来发展方向。

特邀讲者 林宙辰　

博士，教授，博导，IEEE高级会员，北京大学机器感知与智能教育部重点实验室教授、信息科学技术学院教授、东北师范大学“东师学者”讲座教授，曾任微软亚洲研究院视觉计算组主管研究员，中国科学院计算技术研究所客座研究员、上海交通大学兼职研究员、东南大学兼职教授和北京交通大学兼职教授等。担任著名期刊IEEE TPAMI和IJCV编委，也是计算机视觉与机器学习方面重要会议CVPR 2014, ICCV 2015, NIPS 2015,AAAI 2016, IJCAI 2016和 CVPR2016的领域主席。他的主要研究方向是包括机器学习、模式识别、计算机视觉、图像处理和数值计算与优化。

报告题目：子空间聚类的低秩模型方法

报告摘要：在高维数据主导的大数据时代，一个关键的问题是如何有效地处理高维数据。依据数据低维分布近流形分布，子空间混合模型可有效表示高维数据，但其中数据点到子空间的归属关系可能未知。因此，可考虑将数据点同时归类分为多个子空间，以期找到一个可以拟合每一组数据点的低维子空间。该问题即子空间聚类问题，可以有效处理高维数据，具有广泛的应用。此次报告，将介绍低秩模型在子空间聚类中的最新进展。

特邀讲者 吴建鑫　

博士，南京大学教授、博士生导师，2014年获得国家自然科学基金委优秀青年科学基金项目支持。主要从事计算机视觉和机器学习等领域的研究。在重要国际期刊如TPAMI，IJCV，AIJ，JMLR等以及重要国际会议如 ICCV、CVPR、ICML等发表论文六十余篇。曾担任国际会议ICCV、AAAI等的领域主席等。。据Google Scholar统计，发表的论文被60余个国家和地区的学者他引4000余次。

报告题目：深度学习与全序标记的标记分布学习

报告摘要：Convolution Neural Networks(ConvNets) have successfully improved the recognition performance for variousfacial characteristics such as age, head pose, gender and identity. A largelabeled training set is one of the most important factors for its success.However, it is difficult to collect sufficient and complete training images insome domains such as age and head pose estimation, where the image labels areusually ordered numbers. Fortunately, there is a correlation among neighboringlabels, which makes these tasks different from traditional classification.Based on this fact, we convert the label of each image into a discrete labeldistribution. We propose a deep label distribution learning (DLDL) framework byminimizing a Kullback-Leibler divergence between the predicted and ground truthlabel distributions. DLDL effectively utilizes the correlation informationamong neighboring labels in both feature learning and classifier learning.Experimental results show that the proposed approach produces significantlybetter results than state of the art methods for age estimation and head poseestimation, and is particularly suitable when the training set is small.

交通地图：请到达国防科大北校门。到达国防科大北门，问询一下就可以找到科技大楼。

扫描下述二维码或长按二维码识别，关注专委公众号！